論文の概要: PhysICL: In-Context Learning of Physical Fields on Unstructured Meshes from Procedural Priors
- arxiv url: http://arxiv.org/abs/2611.15965v1
- Date: Wed, 11 Nov 2026 20:05:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.267151
- Title: PhysICL: In-Context Learning of Physical Fields on Unstructured Meshes from Procedural Priors
- Title(参考訳): PhysICL: 手続き前の非構造化メッシュ上の物理場の文脈学習
- Abstract要約: 非構造化メッシュ上での物理場予測のためのコンテキスト内学習の実現可能性を示す。
手続き的タスクのみに事前訓練された単一のモデルであるPhysICLは、ラベル付きシミュレーションから各クエリメッシュ上のフィールドを直接予測する。
その手続き的先行は、定型化された2Dおよび3Dテンプレートメッシュ上の一般的な法則と境界要素物理モデルを引き出す。
- 参考スコア(独自算出の注目度): 1.759825275553881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Engineering design studies produce a few tens to a few hundred simulations of one problem, each on its own mesh, and their surrogates are retrained for every study. Tabular foundation models instead infer a new task from its examples in one forward pass, after pretraining on synthetic tasks. We demonstrate the feasibility of in-context learning for physical field prediction on unstructured meshes. A single model, PhysICL, pretrained solely on procedural tasks, predicts fields, with quantiles, directly on each query mesh from labeled simulations, without updating its weights. The same checkpoint accepts variable numbers of context examples, scalar inputs and input fields, and any number of output fields, while mesh size and connectivity can vary within a task. Its procedural prior draws generic laws and boundary-element physical models on morphed 2D and 3D template meshes, evaluated only at the points the model samples, fast enough that tasks generated on the fly by CPU workers keep the GPUs busy throughout pretraining. On five PLAID datasets never seen in pretraining, its field error decreases as the context grows and, from $K = 32$, is below that of the nearest context simulation on every dataset and context draw. It is on par with per-dataset reduced-order models on two of them, behind them where the fields are low-rank. On AhmedML surfaces with a median of 1.1 million nodes, twenty times the largest pretraining mesh, its fixed spatial budgets keep the peak GPU memory at $K = 64$ at 4.27 GiB, against 4.07 GiB on the 6,000-node meshes of 2D\_MSHE. Finally, on 2D\_MSHE, far from the prior, fine-tuning on procedural tasks that reproduce its geometry and loads, without any of its outputs, at a tenth of the pretraining cost, divides the stress error by 2.7.
- Abstract(参考訳): エンジニアリングデザイン研究は、それぞれが独自のメッシュ上で、数百から数百のシミュレーションを生成し、そのサロゲートは各研究のために再訓練される。
タブラル基礎モデルは、合成タスクを事前訓練した後、その例から1つの前方通過で新しいタスクを推測する。
非構造化メッシュ上での物理場予測のためのコンテキスト内学習の実現可能性を示す。
1つのモデルであるPhysICLは、手続き的なタスクのみに事前訓練され、計算量のあるフィールドを、ラベル付きシミュレーションから直接、その重みを更新することなく予測する。
同じチェックポイントは、コンテキスト例、スカラー入力および入力フィールドの可変数、任意の出力フィールドを受け付け、メッシュサイズと接続性はタスク内で変更可能である。
その手続き的事前は、定型化された2Dおよび3Dテンプレートメッシュ上の一般的な法則とバウンダリ要素物理モデルを引き合いに出し、モデルサンプルのポイントでのみ評価される。
事前トレーニングで見られない5つのPLAIDデータセットでは、コンテキストが大きくなるにつれてフィールドエラーが減少し、$K = 32$から、すべてのデータセットとコンテキストドローの最も近いコンテキストシミュレーションよりも低い。
それは、フィールドが低ランクである2つのデータセット当たりのダウンオーダーモデルと同等である。
AhmedMLの表面は1100万ノードの中央値で、最大の事前トレーニングメッシュの20倍であり、その固定空間予算により、ピークGPUメモリは2D\_MSHEの6000ノードメッシュ上の4.07 GiBに対して、K = 64$で維持される。
最後に、2D\_MSHEでは、事前に訓練されたコストの10分の1で、その幾何と負荷を再現する手続き的なタスクを微調整し、ストレスエラーを2.7に分割する。
関連論文リスト
- Large Geometry Models Are Priors For Fast Physics Pretraining [0.0]
言語とヴィジュアライゼーションモデルは、豊富な未ラベルデータに基づいて事前訓練することで、データ効率が向上した。
幾何学の事前訓練は 物理から派生するのではなく 目標を設計する
マスク付きサーフェスオートエンコーダであるAREALSを61,822個の生メッシュ上に配置, 正規および面積, 事前訓練された自己監督, サインフリーで示す。
論文 参考訳(メタデータ) (2026-11-01T17:10:10Z) - JtT: Rethinking Point Trajectory Diffusion for Diverse and Rigid Motion from an Image [67.09340259579761]
単体画像からの剛体運動の予測について検討した。
我々のモデルであるJtTは座標空間で直接動作する単純な拡散変換器である。
モデルランキングは,モデルのサイズ,メートル法,停止時間にどのように依存するかを示し,より厳密なチェックポイント平均評価プロトコルを採用する。
論文 参考訳(メタデータ) (2026-10-12T11:13:37Z) - Primitive Subspaces Mediate Few-Shot Transfer in VLAs [1.3918848543076061]
プリミティブ・アウェア・トレーニングが伝達可能なアーティファクトを生み出すかどうかを検討する。
誘導バイアスの異なる2つのVLAアーキテクチャをトレーニングする。
等次元のランダムな部分空間を非難しても、数発の移動は32ポイント減少する。
論文 参考訳(メタデータ) (2026-05-29T00:37:53Z) - STABLE: Simulation-Ready Tabletop Layout Generation via a Semantics-Physics Dual System [76.3920413336862]
シミュレーション可能なテーブルトップシーン生成に適したセマンティックスと物理の二重システムであるSTABLEを提案する。
STABLEはセマンティック共振器と物理共振器の2つの相補的なモジュールで構成されている。
実験により、STABLEはタスク命令に厳密に準拠するシミュレーション可能なテーブルトップシーンを生成することができた。
論文 参考訳(メタデータ) (2026-05-15T16:18:42Z) - FINE: Factorizing Knowledge for Initialization of Variable-sized Diffusion Models [35.40065954148091]
FINEはLearngeneフレームワークに基づく、事前訓練されたモデルを利用した下流ネットワークの初期化手法である。
事前学習された知識を行列の積(例えば$U$, $Sigma$, $V$)に分解する。
これは、特により小さなモデルにおいて、直接事前訓練よりも一貫して優れており、可変モデルのサイズで最先端の結果が得られる。
論文 参考訳(メタデータ) (2024-09-28T08:57:17Z) - $\texttt{MiniMol}$: A Parameter-Efficient Foundation Model for Molecular Learning [1.9382840665522667]
$texttMiniMol$は1000万のパラメータを持つ分子学習の基礎モデルである。
$texttMiniMol$は大まかに定義された約3300のグラフレベルのタスクと、量子的および生物学的な両方のノードレベルのタスクで事前訓練される。
論文 参考訳(メタデータ) (2024-04-23T12:43:15Z) - From Molecules to Materials: Pre-training Large Generalizable Models for Atomic Property Prediction [2.8785233555405942]
合同マルチドメイン事前訓練(JMP)は、異なる化学ドメインから複数のデータセットを同時にトレーニングする教師付き事前訓練戦略である。
JMPは、スクラッチからトレーニングまでの平均59%の改善を示し、40タスク中34タスクで最先端のタスクをマッチまたはセットする。
論文 参考訳(メタデータ) (2023-10-25T17:32:23Z) - Provable Multi-Task Representation Learning by Two-Layer ReLU Neural Networks [69.38572074372392]
本稿では,複数タスクにおける非線形モデルを用いたトレーニング中に特徴学習が発生することを示す最初の結果を示す。
私たちのキーとなる洞察は、マルチタスク事前トレーニングは、通常タスク間で同じラベルを持つポイントを整列する表現を好む擬似コントラスト的損失を誘導するということです。
論文 参考訳(メタデータ) (2023-07-13T16:39:08Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳(メタデータ) (2020-07-07T03:36:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。